多特征与局部线性嵌入融合算法在植物识别中的应用研究

针对植物识别过程中叶片旋转状态下的识别需求, 采用植物多特征提取与局部嵌入融合算法, 应用支持向量机(SVM)建立分类器对植物叶片进行分类辨识。结果表明:基于分块的局部二值模式(LBP)算法可以提取植物叶片的纹理特征; 使用局部线性嵌入(LLE)算法, 对高维的LBP特征进行降维, 减少了分类识别时间, 同时能够达到更好的聚类效果, 有效地提高识别率; 所提出的植物叶片识别方法对旋转状态下的叶片具有良好的实用性。     

基于叶片图像的植物鉴别技术研究进展(综述)

基于叶片的计算机图像处理与识别技术,实现了植物分类的自动化和快捷化.从叶片分类和检索两个方面回顾了近年来基于叶片图像的植物分类领域的研究进展,围绕叶片图像的特征选取、分类器设计、相似性度量和算法性能等方面对多种方案的技术特点做了介绍,并指出了目前这些技术需要改进的方面.     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s,分类精度分别达到89.75%、85.58%和90.25%,CNN对图像的分类精度达到92.41%,高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草,获取杂草的分布信息,生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高,生成的水稻田杂草分布图效果最好。     

作物叶面积测量的研究进展

对作物叶面积测量理论和方法进行梳理,综述了基于单叶叶面积、单株叶面积、群体叶面积3个维度进行叶面积测量的研究进展,提出作物叶面积测量的物理原理、数学建模原理、光学特征提取原理的理论分类,从精确度、有损和无损测量2个角度分析了叶面积测量的研究进展,并对叶面积测量技术发展趋势进行展望.     

高分辨率遥感影像城市绿地提取方法研究

以德国Vaihingen城区的高分辨率遥感影像为数据源,提出一种结合多尺度引导滤波特征与核主成分分析特征的提取方法,利用多尺度引导滤波提取不同尺度的绿地特征,通过具有非线性映射能力的核主成分分析算法,对多尺度特征进行降维,最后将降维后的特征输入支持向量机分类器,得到城市绿地的分类结果,并与现有的绿地提取方法进行对比分析。结果表明：该方法能充分利用空间邻域信息,获得比现有单尺度分析方法更高的分类精度,且明显减少传统像素级分类方法产生的结果细碎问题。     

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。     

基于多特征融合和深度信念网络的植物叶片识别

基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor滤波和灰度共生矩阵方法得到。而形状特征向量由Hu氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用“dropout”方法训练深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法,在Flavia数据库中,对32种叶片的识别率为99.37%;在ICL数据库中,对220种叶片的识别率为93.939%。这表明相比一般的叶片识别方法,此方法鲁棒性更强,并且识别率更高。      

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。      

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于随机森林法的农作物高光谱遥感识别

  目的  不同农作物种类光谱差异小,通过探测众多窄波段范围的细微差别,提取区分不同农作物的特征波段,是目前实现农作物高光谱遥感识别的重要途径。如何提取区分不同农作物的特征波段,进而实现农作物的精确识别是一个挑战。近来出现的随机森林方法在多变量目标的分类识别方法展现了优势,为解决这一难题提供了一个新手段。  方法  利用随机森林法与传统方法分析杭州地区8种典型农作物的反射光谱,提取特征波段并进行分类,对比不同方法的识别效果。  结果  不同作物的反射光谱及其一阶微分、二阶微分、倒数的对数、去包络线法所提取的特征波段只能区分部分作物;随机森林法无需对反射光谱预处理,直接对全波段反射光谱数据处理,不仅筛选出了区分不同作物的特征波段,且运用所选择的波段对作物进行随机森林分类的效果也是最优的。  结论  随机森林法选择的波段（550、2 490、370、770、560、380、540、530、570、350 nm）不仅能区分不同作物,还能反映农作物生化属性的不同,使得用于分类的波段及分类方法体现了不同作物间物化性质的不同,在展现高光谱遥感识别农作物优势的同时,也为大面积农作物遥感精细分类提供借鉴。     

基于eCognition植物叶片气孔密度及气孔面积快速测算方法

目的叶片气孔是植物与外界进行物质交换的重要窗口,对环境变化十分敏感。如何快速、精确地获得气孔密度和开放程度数据仍缺乏成熟的方法与技术,本研究旨在探索植物叶片气孔密度及气孔面积的快速测算方法,为今后植物气孔研究工作提供参考。方法以北京市常见绿化树种白蜡、臭椿和国槐叶片为研究对象,采用面向对象分类的eCognition图像处理软件,对叶片气孔显微图像进行多尺度分割和分类识别,根据对象的光谱特征、亮度特征和几何特征构建规则并进行气孔分类和提取。结果气孔分割的最佳参数及自动提取规则组合为:尺度参数120~125、形状参数0.7、紧凑度参数0.9、亮度值160~220、红光波段>95、形状-密度指数1.5~2.2。结论该方法提取气孔密度和气孔面积的精度分别达到99.2%、94.5%,结果较理想,适用于植物叶片气孔信息的快速提取。      

基于SVM的高粱叶片病斑图像自动分割提取方法研究

为实现高粱叶片病斑的自动化无损监测,利用支持向量机(SVM)技术对高粱叶片病斑图像进行自动分割提取研究。结果表明,通过选取RGB、HIS和Lab 3种颜色空间的颜色特征值可以消除对作物病斑拍照时产生的光照、亮度等影响。在MATLAB软件环境下调用LIBSVM软件对病斑图片中的病斑图像像素点和背景图像像素点建立支持向量机分类模型,可以实现对病斑的高效分割和高质量提取。分割提取效果与人眼识别的病斑图像高度吻合。如果利用大量采集的病斑图像进行模型训练,就可以真正实现完全自动化的病斑分割、提取和判别。因此,该研究对建立完全自动化的作物病斑图像识别系统意义重大。     

基于PCA的参数化间隔双子支持向量机及其在手写体识别上的应用

改进了基于参数化间隔的双子支持向量机算法的预处理过程,在数据预处理阶段使用了主成分分析法对数据进行降维,提出了基于主成分分析的参数化间隔双子支持向量机,从而加快了整个算法的训练速度．公共数据库上的实验结果显示了该算法的优秀分类能力,对高维数据集的降维效果也比较成功．最后,将这种算法应用到手写体数字识别技术上,实验结果显示出该算法较好的分类性能．     

微阵列表达谱监督聚类方法的比较研究

 【目的】比较不同监督聚类方法的优劣及其适用场合。【方法】应用2种高斯混合模型聚类法（GMM）、K-最近邻居法（KNN）、二分类支持向量机器法（SVMs）以及5种多分类支持向量机器法（MC-SVMs），分别对计算机模拟数据以及两组实际微阵列数据进行聚类分析，采用假阳性（FP）、假阴性（FN）、聚类的准确性以及马修斯相关系数（MCC）等指标进行评价。【结果】（1）对成千上万基因表达谱数据，在服从高斯分布条件下，2种GMM法聚类准确性最高，且在训练样本容量较小的情况下，GMM-II法聚类准确性优于GMM-I法。（2）相比较而言，多分类MC-SVMs法稳健性较高，适用性最广，其对高维数据不敏感。不仅适用于成千上万基因表达谱数据的聚类，而且适用于以成千上万基因作为指标对少数几十个样本的聚类。（3）几种MC-SVMs法的表现，在样本容量较大时，宜采用OVO和DAGSVM法；样本容量较小时，OVR、WW和CS法聚类准确性和MCC值较高；样本容量适中时，5种MC-SVMs表现一致。【结论】建议根据数据的特征以及试验需要，同时选用至少两种方法进行试算，以便获得最佳聚类结果。     

车牌自动识别中的字符特征提取方法

根据车牌实际特征即车牌汉字为50个汉字中的一个且字体一致的特点,对汉字进行了统计特征分析,提出了适用于神经网络字符识别系统的汉字特征提取和复合特征分类方法。识别准确率和效率相对于其他特征提取方法有很大提高。     

基于计算机视觉技术的番茄叶部病害识别研究

针对番茄叶部病害的计算机识别问题进行深入研究,建立一套基于适用于番茄病害的颜色特征提取、纹理特征识别等模式识别方法,确定与病理对应的特征和特征组合模式,在此基础上进行了仿真研究和对比试验,结果表明,该方法能有效提高番茄叶部病害的自动识别水平。     

基于改进C-V模型的棉花叶片目标提取方法

为解决自然条件下棉花叶片因其轮廓几何边缘长势不均匀所导致的叶片目标提取不精准问题,提出一种基于改进C-V模型的棉花病害叶部目标提取方法。在传统C-V模型的基础上,将长度惩罚项和符号距离函数的约束能量项引入能量模型中,以达到对演化曲线长度变化的约束目的,从而完成对整幅图像目标特征的提取。本研究算法先对待分割的图像设置初始曲线,并利用高斯滤波算子对待分割图像进行平滑滤波处理,然后根据图像全局灰度信息和局部二值匹配信息建立能量方程,根据其离散化形式,对水平集函数进行演化,并从中提取演化曲线,最后根据水平集函数演化过程所满足的终止条件,输出图像分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:本研究算法对于晴天、阴天和雨天图像中目标(棉花叶片)轮廓提取准确率分别达到82.23%、82.73%和84.60%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像目标特征轮廓实现准确提取。     

适用于小麦叶片蛋白质组分析的样品制备方法

 【目的】建立适用于小麦叶片蛋白质组分析的样品制备方法。【方法】以Taichung 29小麦苗期叶片为材料，分别采用改进的酚提取-甲醇/醋酸铵沉淀法及尿素/硫脲提取法提取总蛋白，进行双向电泳分离和胶体考染，并选取代表性的蛋白点进行MALDI-TOF质谱分析及数据库搜索。【结果】上述的两种方法可检测到较多的蛋白点数，分别为1 016±203和1 014±281，并能成功地完成代表性蛋白点的鉴定。【结论】作者建议，进行小麦叶片蛋白质组分析时，可采用本实验提供的两种样品制备方法。     

基于Android手机的树木叶片识别系统

为了准确高效地识别树木叶片,开发了一款基于Android 操作平台的树木叶片设别系统。该系统提取13 种树木叶片特征描述子,选择支持向量机作为分类器。该系统包括图像获取、图像处理、特征提取、分类识别和结果展示5 个模块。选取来自15 个树种的1 500 片树叶进行了试验,结果表明,该系统的平均识别率可以达到94.44%,优于BP 神经网络的91.56%,达到了令人满意的效果。该系统特征描述子的筛选、提取以及分类器算法还可以进一步优化,以更好地满足用户需求。     

田间害虫图像识别中的特征提取与分类器设计研究

特征提取和分类器的设计是田间害虫图像识别中的关键环节。针对害虫目标的二值化图像提取出面积、周长、复杂度等7个形态学特征,并进行归一化处理;建立了9种害虫的模板库及隶属度函数,并基于最小最大的原则进行模糊决策分析;对稻纵卷叶螟、棉铃虫等田间危害严重的9种害虫进行识别分类的识别率达86%以上。